Prompt engineering (inżynieria promptów) to pisanie, testowanie i dopracowywanie instrukcji dla modelu AI tak, żeby niezawodnie dawał potrzebny ci wynik. Obejmuje to, co umieszczasz w prompcie (zadanie, kontekst, przykłady, dane wejściowe), i to, jak to układasz (kolejność, format, separatory). Termin brzmi technicznie, ale w większości chodzi o staranne pisanie i sprawdzanie wyników.
Ta strona to spis treści poradnika Coddy o prompt engineeringu. Wyjaśnia, dlaczego ta praktyka działa, przypisuje każdą kluczową technikę do strony, która jej uczy, i pokazuje różnicę między promptem pisanym na szybko a przemyślanym.
Dlaczego prompt engineering działa
Model językowy generuje tekst, przewidując, co będzie dalej, po jednym małym fragmencie naraz, na podstawie wszystkiego, co ma przed sobą. Nie ma dostępu do twoich intencji, projektu ani wcześniejszych czatów, chyba że ten tekst znajduje się w jego danych wejściowych. Prompt nie jest więc prośbą skierowaną do umysłu, który już cię rozumie; to cała sytuacja, na którą model odpowiada.
Ma to bezpośredni skutek. Każde pytanie, które prompt zostawia otwarte, model zwykle rozstrzyga najbardziej typowym wyborem: najpopularniejszym językiem, najczęstszą długością, najczęstszym odbiorcą. Czasem typowy wybór jest tym, czego chcesz. Gdy nie jest, rozwiązaniem jest zamknięcie tego pytania w prompcie. Dobry prompt zawęża zakres wiarygodnych odpowiedzi, aż większość tego, co zostaje, jest przydatna.
Dwa kolejne fakty kształtują to rzemiosło. Odpowiedzi są próbkowane, więc ten sam prompt może dać różne odpowiedzi w różnych uruchomieniach; prompt jest dobry tylko wtedy, gdy działa w większości przypadków, a nie raz. A model traktuje cały tekst w prompcie jako potencjalnie znaczący, więc wklejony e-mail albo przypadkowe zdanie mogą zostać odczytane jako instrukcja, chyba że wyraźnie oznaczysz je jako materiał.
Prompt na szybko a prompt przemyślany
Obie zakładki proszą o to samo: podział opinii klientów na pozytywne i negatywne. Porównaj, co dostaje każda z nich.
Oto podział:
- Mieszana. Użytkownikowi podoba się szybkość, ale irytuje go wylogowywanie.
- Pozytywna. Aplikacja spełnia jego potrzeby w śledzeniu biegania.
- Negatywna. Użytkownik jest niezadowolony, że pomoc techniczna nie odpowiedziała.
Ogólnie opinie są zróżnicowane: jedna pozytywna, jedna negatywna i jedna mieszana.
Odpowiedź na prompt pisany na szybko jest sensowna dla człowieka, ale program nie może jej użyć: etykiety są przemieszane z wyjaśnieniami, pojawiła się trzecia kategoria, której pytanie nie przewidywało, a na końcu doszło podsumowanie. Przemyślany prompt definiuje każdą etykietę, ustala kształt odpowiedzi przykładem i obejmuje opinie tagami, żeby rzadziej myliły się z instrukcjami. Uruchomiony na tysiącu opinii daje wynik, który program sparsuje znacznie bardziej konsekwentnie, a gdy potrzebujesz gwarancji, resztę luki zamykają funkcje structured output w API i krok walidacji w kodzie.
Kluczowe techniki
Każda z poniższych technik zamyka inny rodzaj luki między intencją a tym, co dostał model. Większość prawdziwych promptów łączy kilka z nich.
| Technika | Co robi | Sięgnij po nią, gdy |
|---|---|---|
| Zero-shot prompting | Daje instrukcję bez przykładów | Zadanie jest typowe i jasno opisane |
| Few-shot prompting | Pokazuje kilka przykładów wejścia i wyjścia | Format albo ocenę łatwiej pokazać niż opisać |
| Chain of thought prompting | Prosi o rozumowanie przed odpowiedzią | Problem ma kilka kroków, jak w matematyce czy logice |
| Role prompting | Ustala, czyim głosem i standardem odpowiadać | Liczą się odbiorca i poziom |
| Structured output | Wymusza odpowiedź w JSON, tabeli albo szablonie | Wynik czyta program albo arkusz kalkulacyjny |
| Delimitery i tagi XML | Oddziela instrukcje od wklejonego materiału | Prompt zawiera dokumenty, kod albo tekst od użytkowników |
| Szablony promptów | Zamienia dobry prompt w prompt z lukami | Powtarzasz ten sam rodzaj prośby |
| Prompt chaining | Dzieli pracę na kroki, które się wzajemnie zasilają | Jeden prompt próbuje zrobić za dużo |
| Self-consistency | Generuje kilka odpowiedzi i wybiera większość | Pojedyncza ścieżka rozumowania jest zawodna |
| Tree of thought | Bada i ocenia kilka linii rozumowania | Problem wymaga planowania albo przeszukiwania |
| ReAct | Przeplata rozumowanie z wywołaniami narzędzi | Model musi coś sprawdzić albo wykonać działania |
| Meta prompting | Każe modelowi napisać albo ulepszyć prompt | Nie wiesz, jak sformułować prompt |
| Context engineering | Projektuje wszystko, co widzi model, a nie tylko instrukcję | Budujesz aplikację albo agenta wokół modelu |
Jeśli dopiero zaczynasz, zacznij od części pojedynczego promptu w poradniku jak napisać prompt, potem przejdź do few-shot prompting i structured output. Te trzy tematy obejmują większość codziennych problemów.
Prompt zbudowany dla programu
Prompty wpisane w oprogramowanie są uruchamiane tysiące razy na danych, których nikt jeszcze nie widział, więc rozpisują więcej niż wiadomość w czacie. Poniższy prompt pisze opisy commitów na podstawie diffu kodu. Wyłączaj części, żeby zobaczyć, przed czym chroni każda z nich: bez przykładów styl się rozjeżdża, a bez ograniczeń model może użyć typów, których twój zespół nie stosuje, takich jak perf albo style.
function validatePassword(password) {
- if (password.length > 8) {
+ if (password.length >= 8) {
return null;
}
return 'Password must be at least 8 characters';
}fix(auth): akceptuj hasła o długości dokładnie 8 znaków
- Warunek używał > 8, więc hasło z 8 znakami było odrzucane
- Reguła zgadza się teraz z komunikatem błędu, który mówi "at least 8"
Jak nauczyć się prompt engineeringu
Uczysz się, uruchamiając prompty i uważnie przyglądając się temu, co wraca. Praktyczna ścieżka:
- Poznaj części promptu. Zadanie, kontekst, dane wejściowe, format i ograniczenia. Większość porażek wynika z braku któregoś z nich.
- Wybierz prawdziwe zadanie, które powtarzasz, na przykład streszczanie zgłoszeń, wyjaśnianie błędów albo pisanie szkiców e-maili, i napisz do niego prompt.
- Zbierz od pięciu do dziesięciu danych testowych, w tym niewygodne: puste wejście, bardzo długie, w innym języku.
- Zmieniaj jedną rzecz naraz i uruchamiaj ponownie wszystkie dane wejściowe. Jeśli zmienisz trzy rzeczy i wynik się poprawi, nie będzie wiadomo, która zmiana pomogła. Iterowanie promptów opisuje tę pętlę szczegółowo.
- Dodawaj techniki, gdy wymaga ich konkretna porażka. Przykłady, gdy format się rozjeżdża, rozumowanie krok po kroku, gdy wieloetapowe odpowiedzi wychodzą błędne, delimitery, gdy wklejony tekst przecieka do instrukcji.
Najwięksi dostawcy modeli publikują też poradniki promptowania dla własnych modeli i warto je przeczytać, bo każdy opisuje, na co najlepiej reaguje dana rodzina modeli.
Czy prompt engineer to zawód?
Niektóre firmy zatrudniały na stanowisko "prompt engineer", zwłaszcza gdy modele czatowe dopiero stały się powszechnie dostępne. Częściej ta umiejętność jest częścią innej pracy. Programiści piszą prompty do budowanych przez siebie funkcji AI, zespoły wsparcia piszą je dla asystentów odpowiadających klientom, a analitycy i autorzy tekstów używają ich na co dzień.
W zespołach budujących produkty AI ta praca się poszerzyła. Wybór tego, co trafia do danych wejściowych modelu (pobrane dokumenty, wyniki narzędzi, historia rozmowy, pamięć), liczy się tak samo jak sformułowanie instrukcji, a tę szerszą pracę często nazywa się context engineering. Drugą połową jest mierzenie, czy prompt działa na wielu danych wejściowych, co zwykle nazywa się ewaluacją.
Co się zmienia przy nowszych modelach
Wczesny prompt engineering opierał się na sztuczkach: magicznych frazach, rozbudowanych personach, wielokrotnym powtarzaniu instrukcji. Obecne modele znacznie lepiej wykonują proste instrukcje, a modele rozumujące już wewnętrznie przerabiają problem przed odpowiedzią, więc prośba o myślenie krok po kroku daje mniej niż kiedyś.
Nie zmieniła się część, która nigdy nie była sztuczką. Model nadal nie może znać twojego odbiorcy, twoich danych, twoich ograniczeń ani tego, jak wygląda dobry wynik, dopóki mu tego nie powiesz. Jasna specyfikacja to trwała umiejętność i to jej ten poradnik poświęca większość stron.
Najczęściej zadawane pytania
Czym jest prompt engineering w prostych słowach?
Prompt engineering to pisanie instrukcji dla modelu AI na tyle starannie, żeby dawał potrzebną ci odpowiedź, a potem testowanie i poprawianie ich, aż zacznie robić to niezawodnie. Obejmuje to, co mówisz modelowi (zadanie, kontekst i przykłady), i to, jak to układasz (kolejność, format i separatory).
Czy mogę nauczyć się prompt engineeringu bez programowania?
Tak. Podstawowe umiejętności, czyli jasne sformułowanie zadania, dostarczenie kontekstu, podanie przykładów i określenie formatu odpowiedzi, działają w aplikacji czatowej. Programowanie przydaje się, gdy chcesz uruchamiać prompt wiele razy, testować go na zestawie danych wejściowych albo przekazywać wynik do programu.
Ile trwa nauka prompt engineeringu?
Podstawy zajmują jedno popołudnie: części dobrego promptu i kilka technik, takich jak przykłady few-shot i structured output. Niezawodne wyniki w prawdziwym zadaniu wymagają więcej czasu, bo biorą się z testowania promptu na wielu danych wejściowych i poprawiania przypadków, w których zawodzi.
Czy prompt engineer to prawdziwy zawód?
Niektóre firmy zatrudniały na stanowiska w rodzaju "prompt engineer", ale częściej ta umiejętność jest częścią innej roli: programistów budujących funkcje AI, autorów tekstów, analityków i zespołów wsparcia. W zespołach budujących produkty AI nakłada się na pracę nad ewaluacją i projektowanie wszystkiego, co widzi model, co dziś często nazywa się context engineering.
Czy prompt engineering ma jeszcze sens przy nowszych modelach?
Nowsze modele potrzebują mniej sztuczek. Lepiej wykonują proste instrukcje, a modele rozumujące rozwiązują problemy bez polecenia, żeby myślały krok po kroku. Przydatne pozostaje to, co nigdy nie było sztuczką: sformułowanie zadania, podanie modelowi faktów, których nie może znać, i określenie, jak wygląda dobra odpowiedź.
